访谈/播客

微软潘海方：为什么人工智能需要一个科学共同体

Microsoft's Hoifung Poon: Why AI Needs a Scientific Community

访谈/播客🎤 潘海方(Hoifung Poon)⏱ 16:06👁 NA

▶ 在 YouTube 观看

微软研究院医疗AI负责人潘海方在SAIR启动会上指出，技术只是催化剂，真正落地需要跨学科社区、重塑工作流与社会契约，并以「雄心宏大、起步极小」的飞轮策略推进AI for Science，迈向打破数据孤岛的「学习型健康系统」。

核心要点

技术本身很少是终极解决方案，它更像催化剂，让昨天不可能的事在明天变得可行，但之后还要克服惯性、既得利益、教育、隐私、合规与监管等大量非技术障碍。
推动变革「需要的远不止一个村庄」，必须有跨学科社区来交流思想，这正是SAIR这类组织存在的意义。
建议SAIR采取「目标宏大但起步极小」的策略，先选少数标杆领域(beachhead)快速做出成绩，用已证明的ROI启动「资源—基础设施—更大目标」的飞轮，破解先有资源还是先有成果的鸡生蛋难题。
通才(generalist)与专才(specialist)AI并不矛盾，足够大的生成式模型在足够多样的数据上训练后会出现「涌现能力」，单一开箱即用模型可胜任大量任务。
前沿模型对文本之外的模态基本「又盲又聋」，海量多模态纵向医疗数据被锁在数据孤岛中，如何可持续地打破孤岛、释放智能是关键的社会性问题。
AI在生物医学的价值横跨「效率提升」(自动化繁琐工作，如病历摘要)与「创造力提升」(加速发现，打破医疗天花板)，后者是终极圣杯。

分章详解

技术只是催化剂：为何需要科学共同体

潘海方任微软研究院总经理，领导面向医学发现的AI研究与孵化，在微软研究院已工作15年。
他强调技术很少是万灵药，更像催化剂；越是强大、可能带来正向颠覆的技术(如当下的生成式AI)，越是如此。
在医学发现领域，拥有技术只是证明可行性的第一步，之后必须重新想象整个工作流程、业务模式与组织原则——许多旧原则是为上一代技术设计的，已不再适用。
随之而来的是惯性、既得利益、变革管理、公众教育与布道(evangelism)，以及医疗特有的隐私合规与监管问题，这些都超出技术范畴。
结论：推动变革需要的远不止一个村庄，必须有一个能跨学科交流思想的社区，这让他对汇聚多学科与行业领袖的此次会议感到兴奋。

SAIR该怎么做：宏大愿景，极小起步的飞轮

他建议对研究、合作乃至一切工作都保持「雄心宏大的愿景，但从极小处起步」，因为事情本就很难，不必把它弄得更难(不要试图煮沸整个海洋)。
AI for Science范围极广——理解自然与社会世界的一切都可算作科学，因此需要聚焦。
建议挑选几个标杆性的「滩头阵地」领域，迅速做出令人惊艳的成果，打开人们的想象力。
存在鸡生蛋困境：启动需要资源，但没有已证明的ROI又拿不到资源；解法是设计一个飞轮——从极小处快速取胜，带动资源投入，再建设基础设施，进而挑战更宏大的目标。

通才还是专才：涌现能力与基础模型

通才与专才AI之争可追溯到机器学习早期的生成式学习与判别式学习之争：前者建模万物的联合分布，后者只优化单一任务。
在足够大的生成模型容量上训练足够海量的数据(如数十万亿token的整个公共网络)，即便对具体任务而言99.999%的训练数据看似无关，仍会在学习曲线某处越过阈值，突然获得意外的性能跃升，即「涌现能力」。
GPT-4令人惊叹之处，正是单一生成模型开箱即用就能完成上百万种任务，而非为特定任务专门训练。
医学领域也开始出现类似基础模型行为：与Epic和耶鲁医学院合作、在数亿患者就医历程上训练的Curiosity模型，仅靠预测患者下一个医疗事件，开箱即用就在78项任务上匹敌或超越了为各任务专门微调的监督模型。

数据孤岛、偏差与因果：AI不是魔法

前沿模型对文本以外的模态基本又盲又聋，而医学中大量多模态纵向数据并不在网络上，且多锁在孤岛里，前沿模型从未见过；AI从根本上不是魔法。
因此存在一个社会性问题：如何找到可持续的方式打破数据孤岛、释放智能。
所谓「偏差」往往其实是训练数据不足——AI对某些代表性不足人群表现差，只是因为没见过；严格的对照实验显示，让模型见到更多此类数据后表现就会改善。
另一类重要偏差是混杂(confounding)，即相关不等于因果(如冰淇淋消费与心脏病曲线吻合只是相关)，在观察性数据中尤需警惕。
基于深度神经网络与生成式哲学，联合建模所有相关临床变量，为处理不确定性、系统性偏差与数据缺失提供了原则性方法。

鲁棒性实证：GigaPath病理基础模型

两年前发表于Nature的数字病理基础模型GigaPath，在单一大型医疗系统、单一扫描仪类型的10亿图块、20万张切片上大规模训练。
潘海方坦言公开发布时非常紧张，担心现实中扫描仪与染色方式千差万别会让模型失效。
结果该模型迄今被下载约200万次；西奈山(Mount Sinai)等机构开展全球试验，证明可用不同扫描仪在真实临床科室(精准肿瘤学)中解决自身问题。
结论：因在足够大数据上训练学到了非常好的表征，模型具备相当(虽非100%)的鲁棒性，是很有前景的起点。

AI在生物医学的最佳角色：效率与创造力

AI应用大致横跨「效率提升」与「创造力提升」两端：从自动化繁琐的日常杂务，到自动化科学发现。
效率端的典型是病历摘要(medical abstraction)：一名癌症患者可能有500份临床笔记，人工摘要师需逐一阅读、提取关键属性并结构化，单个患者耗时数小时、花费数百美元；用GPT-5可在数秒内高精度完成，且易于引入人在环路，已在落地。
创造力端的圣杯是打破当今医疗的天花板：癌症、自身免疫病、神经退行性疾病(如阿尔茨海默)我们仍束手无策。
现状是新药研发耗资20亿至100亿美元、历时十年以上，将知识转化为最佳临床实践也要十余年。
终极愿景是把医疗变成「学习型健康系统」，即时吸纳信息、内化全球80亿人的就医历程并从中学习，再把这些学习成果普惠每一个人；目前距离尚远，但已看到有希望的迹象，这是一段旅程。

关键引述

“技术很少是终极解决方案，我把它看作一种催化剂，让昨天不可能的事在明天变得可行。”— 潘海方(Hoifung Poon)

“这需要的远不止一个村庄——技术只是其中一小部分，我们需要公众教育、需要重新思考社会契约、需要一个社区来交流思想。”— 潘海方(Hoifung Poon)

“要有宏大的愿景，但要从极小处起步；如果你试图煮沸整个海洋，本就很难的事会变得更难。”— 潘海方(Hoifung Poon)

“AI从根本上不是魔法——模型表现差，往往只是因为它从没见过那样的数据。”— 潘海方(Hoifung Poon)

“终极圣杯是把整个医疗变成一个学习型健康系统，内化80亿人的就医历程，再把所学普惠给每一个人。”— 潘海方(Hoifung Poon)

术语 / 人物

潘海方(Hoifung Poon) — 微软研究院(Microsoft Health Futures)总经理，领导面向精准医疗的生物医学AI研究与孵化，华盛顿大学医学院附属教员，是PubMedBERT、BioGPT、BiomedCLIP、LLaVA-Med、BiomedParse、GigaPath等开源生物医学基础模型的主要推动者。

SAIR(科学与AI研究基金会) — 由陶哲轩等联合创立、致力于推动AI for Science的组织；本视频拍摄于其启动会。

涌现能力(Emerging Capability) — 当模型容量足够大、训练数据足够多样海量时，越过学习曲线的某个阈值后突然获得的意外性能跃升，使单一通用模型具备完成大量未专门训练任务的能力。

GigaPath — 微软与Providence医疗系统、华盛顿大学合作开发的全切片数字病理基础模型，发表于Nature，在逾10亿病理图块上预训练，已被下载数百万次并用于真实临床精准肿瘤学。

Curiosity模型 — 微软与Epic、耶鲁医学院合作、在数亿患者就医历程上训练的模型，通过预测患者下一个医疗事件，开箱即用即在78项任务上匹敌或超越专门微调的监督模型。

病历摘要(Medical Abstraction) — 由专业摘要员从患者大量临床笔记中抽取关键属性并结构化的工作，传统上单个患者耗时数小时、成本数百美元，可被大模型在数秒内高精度完成。

混杂(Confounding) — 导致相关不等于因果的因素(如冰淇淋消费与心脏病发病曲线吻合只是相关)，在观察性数据中尤需警惕，是需谨慎对待的一类偏差。

学习型健康系统(Learning Health System) — 能即时吸纳并内化全人群就医历程、从中持续学习并把成果普惠所有人的医疗体系愿景，被潘海方视为AI影响医疗的终极圣杯。

背景补充

本视频是SAIR(科学与AI研究基金会)启动会期间对微软研究院总经理潘海方(Hoifung Poon)的简短访谈。潘海方在微软研究院工作约15年，领导面向精准医疗的生物医学AI研究与孵化，其团队是最早将大语言模型与多模态生成式AI用于健康领域的团队之一，推出了PubMedBERT、BioGPT、BiomedCLIP、LLaVA-Med、BiomedParse等下载量达数千万的开源基础模型，代表作包括发表于Nature的全切片数字病理基础模型GigaPath与肿瘤微环境模型GigaTIME，并与多家大型医疗机构合作将AI落地于分子肿瘤委员会、临床试验匹配等场景。访谈围绕「为什么AI需要一个科学共同体」展开。

适合谁看

关注AI for Science、生物医学AI落地、基础模型与涌现能力的研究者、医疗与生命科学从业者，以及思考如何组织跨学科科学共同体与科研战略的政策与机构决策者。